OnlineBerufsbegleitend
Predictive Maintenance: Wartung neu denken mit Künstlicher Intelligenz
infofeld GmbH
Beschreibung
Module:
Modul 01: Einführung in Predictive Maintenance und KI
- Wartungsstrategien im Vergleich: reaktiv, präventiv, prädiktiv
- Grundbegriffe künstlicher Intelligenz und maschinellen Lernens
- Anwendungsbeispiele aus der industriellen Praxis
- Chancen und Herausforderungen
Modul 02: Grundlagen der Sensorik und Datenerfassung
- Typen und Einsatzgebiete industrieller Sensoren
- Datenerfassungssysteme (Edge, IoT, PLC)
- Typische Datenformate und -strukturen
- Datenqualität und Ausfallszenarien
Modul 03: Datenverarbeitung mit Python
- Einführung in Pandas und NumPy
- Daten einlesen, analysieren und bereinigen
- Zeitreihen vorbereiten
- Grundlagen des Data Wrangling
Modul 04: Überblick über maschinelles Lernen
- Überwacht vs. unüberwacht Lernen
- Trainings-, Validierungs- und Testdaten
- Feature Engineering
- Modelle: Entscheidungsbäume, KNN, lineare Regression
Modul 05: ML-Modelle für Wartungsanwendungen
- Klassifikation vs. Regression im Kontext der Wartung
- Trainieren eines einfachen ML-Modells in Python
- Modellmetriken: Accuracy, Precision, Recall
- Fehlerinterpretation und Optimierung
Modul 06: Zeitreihenanalyse und Anomalieerkennung
- Besonderheiten von Zeitreihendaten
- Anomalieerkennung mit statistischen Verfahren
- Nutzung von Rolling Windows und Thresholds
- Erkennen von Ausfällen im Voraus
Modul 07: Projektarbeit – Einführung und Planung
- Auswahl eines Wartungsszenarios (z. B. Motor, Pumpe)
- Definition der Aufgabenstellung
- Datensimulation oder Datennutzung
- Rollenverteilung im Team
Modul 08: Projektarbeit – Umsetzung
- Vorverarbeitung der Daten
- Modelltraining und -optimierung
- Visualisierung und Interpretation der Ergebnisse
- Test und Validierung
Modul 09: Technische Umsetzung und Deployment
- Modell-Deployment auf Edge-Geräten oder in der Cloud
- Integrationsmöglichkeiten mit bestehenden Systemen
- Monitoring und Wartung von KI-Modellen
- Datensicherheit und Robustheit
Modul 10: Zukunftsperspektiven und Reflexion
- Trends in Predictive Maintenance
- Grenzen des maschinellen Lernens
- Ethische Fragestellungen und Verantwortung
- Abschlussdiskussion und Feedbackrunde